论文部分内容阅读
智能车决策模块根据系统的输入量计算决策值,保证智能车辆安全稳定地行驶。传统的智能车决策方法利用车辆感知模块计算的车道线信息、车辆信息计算决策值,其决策好坏很大程度上依赖于输入信息。将智能车决策过程分解为车道线检测、车辆检测、根据检测的可行驶区域做决策等部分并不能保证整个系统获得最优解。而基于深度神经网络的端到端决策方法根据输入图像直接计算决策量,将感知认知过程统一到决策过程中。这种同步优化所有过程的方法可以获得更好的表现并且简化了系统结构。在此基础上本文提出了一种基于时空递归神经网络的智能车端到端决策方法,能够准确预测方向盘转角值。主要研究工作如下:从空间位置约束和时间上下文约束的角度出发,提出了时空联合递归神经网络的智能车端到端决策方法。利用卷积神经网络提取场景中的空间位置特征和利用LSTMs网络捕捉场景中的时间上下文特征,构建出时空联合约束网络的框架。利用均方误差根作为评价指标,均方误差根越低,说明模型预测值越接近基准值。在Commaai测试集上的测试结果显示,本文提出的时空约束网络的均方误差根只有12.83。而英伟达公司提出的卷积决策网络的均方误差根是15.07,比时空约束网络的高将近三个点。为了重用网络特征,加强网络信息的流动,进一步提升决策网络的预测能力。本文探索了时空特征相加、时空特征相减、时空特征相乘和时空特征级联四种特征融合方法对决策网络的影响。在时空约束网络的基础上提出了时空特征融合递归神经网络的智能车端到端决策方法。接着分别阐明了这四种特征融合方法的作用原理。最后在Commaai智能车数据集和Udacity智能车数据集上验证了本文所提的时空特征融合网络的有效性,测试结果显示时空特征相加方法在Commaai测试集上的均方误差根是12.17,进一步降低了均方误差根。时空特征相加方法在Udacity测试集上的结果也接近Udacity竞赛中的最好水平,并且比特征相加、特征相乘和特征级联方法都好。针对实际高速公路场景下的智能车决策问题,本文设计了一种面向高速公路场景的智能车端到端决策系统。并在长春市周边高速公路场景下验证了该决策系统的可行性。从实验结果来看,在长春市数据集上该决策系统的均方误差根只有0.098,而卷积网络的均方误差根是0.158。说明该决策系统预测的方向盘转角值更加接近基准值。在高速公路拐弯场景中该决策系统也表现得更好。